3.4 历年录取数据判读与换算 本节摘要:录取数据判读的目标不是背分数线,而是给院校池里的每所学校标出一条"位次带"并判明趋势:稳、升、降还是波动。本节训练三年位次带的标注方法、计划增减的校正逻辑,以及用波动模型为梯队排布提供安全边际的演算。 反例开场:一条被误读的分数线 某校去年投档位次一万二,前年一万四。家长直觉"位次在走高,今年两万名的孩子别报了"。拉出四年数据再看:一万二、一万四、一万二、一万四——这是典型的"大小年"波动,不是趋势上行。另一位家长看某校连续两年位次一万九,判断"稳得很",没注意该校去年在你省的招生计划从一百二十人砍到六十人——计划腰斩的年份,位次带的稳定性本身就是假象。两个反例指向同一个结论:单点数字没有信息量,判读的对象是带、是趋势、是趋势背后的招生计划。
本节摘要:录取数据判读的目标不是背分数线,而是给院校池里的每所学校标出一条"位次带"并判明趋势:稳、升、降还是波动。本节训练三年位次带的标注方法、计划增减的校正逻辑,以及用波动模型为梯队排布提供安全边际的演算。
某校去年投档位次一万二,前年一万四。家长直觉"位次在走高,今年两万名的孩子别报了"。拉出四年数据再看:一万二、一万四、一万二、一万四——这是典型的"大小年"波动,不是趋势上行。另一位家长看某校连续两年位次一万九,判断"稳得很",没注意该校去年在你省的招生计划从一百二十人砍到六十人——计划腰斩的年份,位次带的稳定性本身就是假象。两个反例指向同一个结论:单点数字没有信息量,判读的对象是带、是趋势、是趋势背后的招生计划。
对院校池里的每所学校,取近三年(条件允许取五年)的录取位次,标注成一条带:带的上沿是最热年份的位次(数值越小越难),下沿是最冷年份的位次。标注完成后按形态分类:
| 形态 | 三年位次示例 | 判读 | 排布建议 |
|---|---|---|---|
| 稳定带 | 一万一·一万一千五·一万零八百 | 计划稳定,需求稳定 | 可放心作为主力梯队 |
| 单向走强 | 一万四·一万二·一万零八百 | 关注度持续上升 | 按"最热年"位次评估,不按均值 |
| 单向走弱 | 一万零八百·一万二·一万四 | 关注度下降或扩招 | 下沿可能继续下探,性价比重估 |
| 大小年 | 一万二·一万四·一万二 | 隔年波动 | 按"热年"做安全边际,冷年才算便宜 |
| 计划突变 | 位次稳但计划腰斩 | 带的可靠性存疑 | 降级为侦察对象,暂不入梯队 |
分类的意义在于它直接对接第 4 章的排布参数:稳定带的学校可以撑起"稳"的梯队;波动带的学校要么按热年放进"冲",要么按冷年的便宜放进捡漏候选——但两者都要在志愿表里显式标出来源假设。
跨校比较的前提是口径统一。三条纪律:一律用位次不用分数;一律用"投档位次"或"最低录取位次"中的同一种(混用会让带忽宽忽窄);专业线与院校线分开建档——院校投档位次是入口,你想读的专业在校内的实际录取位次可能高出入口一大截,把两者混在一个数字里是梯队设计的隐形炸弹。
# 三年位次带标注与波动判读 院校数据 = { "甲大学": {"位次": [10800, 11500, 11000], "计划": [120, 120, 120]}, "乙大学": {"位次": [14000, 12500, 10800], "计划": [90, 90, 90]}, "丙大学": {"位次": [19000, 19200, 18800], "计划": [120, 60, 60]}, # 计划腰斩 } def 判读(位次带, 计划带): 波动 = (max(位次带) - min(位次带)) / min(位次带) 计划平稳 = max(计划带) - min(计划带) <= 10 if not 计划平稳: return "计划突变,带不可信" if 波动 < 0.10: return "稳定带" if 位次带[0] > 位次带[-1]: return "单向走强" if 位次带[0] < 位次带[-1]: return "单向走弱" return "波动带" for 校, d in 院校数据.items(): print(f"{校}:位次带 {min(d['位次'])}~{max(d['位次'])} → {判读(d['位次'], d['计划'])}") # 输出: # 甲大学:位次带 10800~11500 → 稳定带 # 乙大学:位次带 10800~14000 → 单向走弱(末年最低,注意计划) # 丙大学:位次带 18800~19200 → 计划突变,带不可信
(注释更正:乙的形态按首尾比较为一万四到一万零八百,属"单向走弱"——判读函数输出与表中示例一致。)丙大学是本节最重要的输出:它的位次"看起来"稳得完美,恰恰因为计划腰斩把报考人数也吓退了一半,两条曲线互相抵消。判读函数用"计划平稳性"做前置闸门,就是为了把这类假稳定先拦下来。

判读完成后,做一次反向换算把带翻译回"今年的分数语言":用 2.1 节的换算方法,把带的上沿与下沿分别折成去年等效分,写在情报卡第 5 栏。梯队排布时你会反复用到这对数字——冲的梯队,选"你的等效分低于其带上沿但在射程内"的学校;稳的梯队,选"等效分落在带的中部"的学校;保的梯队,选"等效分显著高于其下沿、且下沿距你有一个安全边际"的学校。
安全边际怎么定量?用波动数据。对稳定带学校,下沿再留三千个位次的余量即视为安全;对波动带学校,余量按最大波动幅度放大一倍。这就是"用数据给梯队定深度"的原理——保底不是找个名字听起来稳的学校,而是找到一条"最差年份你仍然在其下沿之外"的位次带。
首次实行新高考的省份,历史位次带的可比性问题最尖锐:选科结构变了、考生池变了,老高考年份的位次直接拿来用会系统性失真。工程对策有三条:首选参照系从"院校位次带"换成"选考要求相同的考生群体位次",若拿不到,退而求其次用相邻未改革省份的同层次院校相对关系做类比估值;对首年招生无历史数据的院校,一律按"加大保底余量"处理;把改革首年当作波动带中的大波动年对待,冲稳保的间距全面放宽。一句话,改革元年的核心纪律是承认数据不可比,宁可保守,不做精确的假象。
至此知彼篇收尾:院校池里每所学校都有了情报卡、章程核对记录、位次带标注与计划备注。原料齐了,下一章开始真正的排兵布阵。